Moirai: Universāls laika sēriju prognozēšanas Transformer
Moirai ir pamata modelis universālai laika sēriju prognozēšanai, ko 2024. gadā ieviesa Geralds Vū (Gerald Woo) un viņa kolēģi Salesforce Research un prezentēja konferencē ICML. Galvenā ideja ir vienu lielo Transformer modeli iepriekš apmācīt uz ārkārtīgi daudzveidīga laika sēriju datu (LOTSA) korpusa, kas aptver daudzas jomas un frekvences, tādējādi nodrošinot prognozēšanu bez iepriekšējas apmācības (zero-shot) un ar nelielu datu daudzumu (few-shot) uz neredzētiem datu kopumiem, neveicot uzdevumam specifisku atkārtotu apmācību. Moirai izmanto uz plāksteriem balstītu tokenizāciju, jebkura mainīgā uzmanību (any-variate attention) un sadalījumu maisījuma izvades galvu (mixture-of-distributions output head), lai vienotā arhitektūrā apstrādātu mainīgas frekvences, vairākus mainīgos un probabilitātes prognozēšanu.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- Woo, G., Liu, C., Kumar, A., Xiong, C., Savarese, S., & Sahoo, D. (2024). Unified training of universal time series forecasting transformers. ICML. link ↗
Kā citēt šo lapu
ScholarGate. (2026, June 2). Moirai (Universal Time-Series Forecasting Transformer). ScholarGate. https://scholargate.app/lv/deep-learning/moirai
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Chronos: Tokenizēts pamata modelis laika sēriju prognozēšanaiDziļā mācīšanās↔ compare
- PatchTSTDziļā mācīšanās↔ compare
- TimesFMDziļā mācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →